第六章：流動性風險的 AI 解析與實務運用

# 第六章：流動性風險的 AI 解析與實務運用 > **「流動性是金融市場的血液，失血過多，企業就會危殆。」** > — 從量化研究者的視角 ## 6.1 流動性風險概念與分類 流動性風險（Liquidity Risk）是指金融機構因資產與負債的轉換不易或成本過高，導致無法按時履行支付義務的風險。它可分為三個層面： 1. **市場流動性風險**：資產在市場上被賣出時的價格滑點與交易成本。 2. **資金流動性風險**：企業在特定時間點取得現金的困難。 3. **流動性互依風險**：多家機構之間的流動性依賴，當一方失去流動性時，可能引發系統性風險。 > **筆者提醒**：市場流動性在「正常」市場下往往呈現良好，真正的挑戰在於極端情況下的「流動性乾枯」。 ## 6.2 資料來源與前處理 ### 6.2.1 資料來源 - **交易所行情數據**（Bid/Ask、Volume、Order Book Depth） - **行業報表**（資產負債表、現金流量表） - **宏觀經濟指標**（利率、GDP、失業率） - **市場情緒訊號**（新聞、社群媒體） - **監管報告**（CVM、FINRA、ESMA 等） ### 6.2.2 前處理步驟 | 步驟 | 描述 | |---|---| | **資料完整性檢查** | 缺失值填補、時間對齊、異常值標記 | | **特徵工程** | 生成「深度指標」（Depth Ratio、Spread Width）、波動率指標 | | **數據標準化** | 以 Z‑score 或 Min‑Max 方式縮放 | | **資料版本化** | 使用 DVC 追蹤原始數據與處理後的版本 | > **實務技巧**：將時間序列特徵如「前一日深度變化」作為滑動窗口特徵，可提升模型對突發流動性危機的敏感度。 ## 6.3 風險指標與模型構建 ### 6.3.1 主要流動性指標 - **Liquidity Coverage Ratio (LCR)** - **Net Stable Funding Ratio (NSFR)** - **Bid‑Ask Spread** - **Effective Spread** - **Speed of Execution**（時間延遲） - **Liquidity Shortfall**（預測缺口） ### 6.3.2 模型類型 | 模型 | 優勢 | 風險 | |---|---|---| | **LSTM 時間序列預測** | 捕捉非線性與長期依賴 | 需要大量資料 | | **隨機森林/Gradient Boosting** | 可解釋特徵重要性 | 過度擬合風險 | | **異常檢測（Isolation Forest）** | 自動偵測未知模式 | 可能漏判 | | **強化學習（RL）** | 自動學習最適資金分配 | 需設計合理報酬函數 | > **筆者建議**：先以 Gradient Boosting 檢測「流動性缺口」的高頻事件，並在此基礎上訓練 LSTM 做長期預測。 ### 6.3.3 模型訓練與驗證流程 1. **資料分割**：時間序列留出法（train/val/test）。 2. **交叉驗證**：使用滑動窗口（Rolling‑Window CV）。 3. **評估指標**：RMSE、MAE、Area‑Under‑Curve (AUC) for anomaly detection。 4. **模型版本化**：MLflow 記錄超參數、性能、模型檔案。 5. **模型解釋**：SHAP、LIME，特別對高風險預測案例進行解釋。 ## 6.4 情境分析與壓力測試 ### 6.4.1 情境管理 - **YAML 配置範例**： yaml scenario: name: "金融危機 2008" parameters: interest_rate_spike: 1.5 market_liquidity_drop: 70% corporate_defaults: 20% duration: 90 - 透過腳本自動生成情境數據，輸入模型進行預測。 ### 6.4.2 壓力測試流程 1. **情境注入**：將情境參數注入到資料生成模組。 2. **模型推論**：以 batch 或 streaming 模式執行。 3. **結果聚合**：產生 PDF/Excel 報表，附帶 KPI 追蹤欄位。 4. **合規審核**：將報表送交合規部門，確保符合 Basel III、SFTR 等規範。 > **筆者提醒**：壓力測試不應只依賴單一情境，應設計多種「混合風險」情境以覆蓋不同市場環境。 ## 6.5 合規與監督要求 - **Basel III**：LCR、NSFR 規定；模型需在符合「Model Risk Management」的框架下運作。 - **MiFID II / CRD IV**：需提供流動性風險模型的解釋與透明度。 - **SFTR**：交易對手風險、流動性風險需定期報告。 > **合規策略**：在 MLflow 中配置「合規標籤」與「審核路徑」，確保每次模型更新都可追溯到審核記錄。 ## 6.6 案例研究：全球金融危機後的流動性測試 ### 6.6.1 背景 - 2008 年金融危機後，市場流動性失靈導致資產價格暴跌。學者與實務界開始注重流動性風險模型。 ### 6.6.2 實作 - **資料**：2005‑2015 年 S&P 500 交易數據 + 2007‑2009 年市場深度。 - **模型**：使用 Gradient Boosting + LSTM 結合，並以 Isolation Forest 進行異常偵測。 - **結果**：模型在 2008 年情境下提前 15 天預警，流動性缺口 1.8% 高於歷史平均 0.6%。 - **報告**：自動化產出 PDF，附帶圖表、敏感度分析與風險敞口表。 > **教訓**：即使在正常市場下，模型也需考慮「流動性脆弱點」的提前偵測，才能在危機來臨時提供可操作的風險提示。 ## 6.7 持續學習與模型更新 - **A/B 測試框架**：在實際交易環境中分流新舊模型，監測「Liquidity Shortfall」預測偏差。 - **模型漂移監測**：使用 Kolmogorov‑Smirnov 測試，檢測特徵分佈變化。 - **回溯驗證**：每季使用最新行情回測模型性能，確保不因「舊數據」誤導。 - **自動化迭代**：將 DVC、MLflow 與 CI/CD 集成，當新數據符合漂移閾值時自動觸發 retrain。 > **筆者提示**：持續學習並非僅限於模型訓練，更重要的是建立「數據-模型-決策」的完整迴路。 ## 6.8 本章小結 - **流動性風險的多面向性**：市場、資金、互依三大層面構成完整風險圖景。 - **資料治理**：完整、清潔、可追溯的數據是高品質流動性模型的基石。 - **模型多樣化**：結合時間序列預測、異常檢測與強化學習，提升預測覆蓋與靈活度。 - **情境設計**：以 YAML 配置情境，確保測試可重現且符合監管要求。 - **合規嵌入**：從模型訓練到報告產出，每一步均需符合 Basel、MiFID、SFTR 等法規。 - **持續學習**：A/B 測試與漂移監測確保模型不失效，維持長期風險可控。 > **展望**：在下一章中，我們將進入「操作風險」的實務域，探討系統失效、欺詐行為與人為錯誤對金融安全的影響。